La inteligencia artificial demuestra un rendimiento superior en la predicción del cáncer de mama

Los algoritmos de IA superaron los modelos de riesgo clínico tradicionales en un estudio a gran escala y predijeron el riesgo de cáncer de mama a cinco años con mayor precisión. Estos modelos utilizan mamogramas como única fuente de datos, lo que ofrece beneficios potenciales para individualizar la atención al paciente y mejorar la eficiencia de la predicción.

En un gran estudio de miles de mamografías, los algoritmos de inteligencia artificial (IA) superaron el modelo de riesgo clínico estándar para predecir el riesgo de cáncer de mama a cinco años. Los resultados del estudio fueron publicados en Radiologíauna revista de la Sociedad Radiológica de América del Norte (RSNA).

El riesgo de cáncer de mama de una mujer generalmente se calcula utilizando modelos clínicos como el modelo de riesgo del Consorcio de Vigilancia del Cáncer de Mama (BCSC), que utiliza información autoinformada y otra información sobre el paciente, incluida la edad, antecedentes familiares de la enfermedad, si ha dado nacimiento y si tiene senos densos, para calcular un puntaje de riesgo.

“Los modelos de riesgo clínico dependen de la recopilación de información de diferentes fuentes, que no siempre está disponible o no es de buena fuente”, dijo el investigador principal Vignesh A. Arasu, MD, Ph.D., científico investigador y radiólogo en formación en Kaiser Permanente Northern California. “Los avances recientes en el aprendizaje profundo de la IA nos brindan la capacidad de extraer de cientos a miles de funciones de mamografía adicionales”.

Las mamografías de detección oblicua lateral medial derecha (RMLO) muestran resultados negativos desde 2016 en (A) una mujer de 73 años con puntaje de riesgo de inteligencia artificial (AI) de Mirai con un riesgo superior al percentil 90 que desarrolló un cáncer de mama derecho en 2021 en Seguimiento de 5 años y (B) una mujer de 73 años con puntuación de riesgo de Mirai AI con riesgo por debajo del percentil 10 que no desarrolló cáncer a los 5 años después de 5 años de seguimiento. Crédito: Sociedad Radiológica de América del Norte

En el estudio retrospectivo, el Dr. Arasu usó datos asociados con mamografías de detección en 2D negativas (sin signos visibles de cáncer) realizadas en Kaiser Permanente del Norte de California en 2016. De las 324 009 mujeres examinadas en 2016 que cumplieron con los criterios de elegibilidad, una subcohorte aleatoria de 13 628 mujeres fueron seleccionadas para el análisis. Además, también se estudiaron las 4584 pacientes en el grupo de elegibilidad a las que se les diagnosticó cáncer dentro de los cinco años posteriores a su mamografía original de 2016. Todas las mujeres fueron seguidas hasta 2021.

«Seleccionamos del año completo de mamografías de detección realizadas en 2016, por lo que nuestra población de estudio es representativa de las comunidades del norte de California», dijo el Dr. Arasu.

Los investigadores dividieron el período de estudio de cinco años en tres períodos de tiempo: riesgo de cáncer de intervalo o cánceres incidentes diagnosticados entre 0 y 1 año; riesgo futuro de cáncer o cánceres incidentes diagnosticados dentro de uno a cinco años; y todo riesgo de cáncer, o cánceres incidentes diagnosticados entre los 0 y los 5 años.

Usando mamografías de detección de 2016, cinco algoritmos de IA generaron puntajes de riesgo de cáncer de mama a cinco años, incluidos dos algoritmos académicos utilizados por los investigadores y tres algoritmos disponibles comercialmente. A continuación, se compararon las puntuaciones de riesgo entre sí y con la puntuación de riesgo clínico de BCSC.

«Los cinco algoritmos de IA funcionaron mejor que el modelo de riesgo BCSC para predecir el riesgo de cáncer de mama de 0 a 5 años», dijo el Dr. Arasu. “Este fuerte desempeño predictivo durante el período de cinco años sugiere que la IA está identificando tanto los tumores faltantes como las características del tejido mamario que ayudan a predecir el desarrollo futuro del cáncer. Algo acerca de las mamografías nos permite controlar el riesgo de cáncer de mama. Esta es la ‘caja negra’ de la inteligencia artificial».

Algunos de los algoritmos de IA se destacaron en la predicción de pacientes con alto riesgo de cáncer de intervalo, que a menudo es agresivo y puede requerir una segunda lectura de mamografías, exámenes de detección adicionales o imágenes de seguimiento de intervalo corto. Al evaluar a las mujeres con el 10 % de riesgo más alto como ejemplo, la IA predijo hasta el 28 % de los cánceres en comparación con el 21 % previsto por BCSC.

Incluso los algoritmos de IA entrenados para horizontes de tiempo cortos (hasta 3 meses) pudieron predecir el riesgo futuro de cáncer hasta cinco años, cuando no se detectó clínicamente cáncer mediante mamografía. Cuando se usaron en combinación, los modelos de riesgo de IA y BCSC mejoraron aún más la predicción del cáncer.

«Estamos buscando un medio preciso, eficiente y escalable para comprender el riesgo de cáncer de mama de las mujeres», dijo el Dr. Arasu. “Los modelos de riesgo de IA basados ​​en mamografías ofrecen ventajas prácticas sobre los modelos de riesgo clínico tradicionales porque utilizan una única fuente de datos: la mamografía misma”.

El Dr. Arasu dijo que algunas instituciones ya están utilizando IA para ayudar a los radiólogos a detectar el cáncer en las mamografías. La puntuación de riesgo futuro de una persona, que tarda unos segundos en generarse a partir de inteligencia artificial, podría integrarse en el informe de radiología compartido con el paciente y su médico.

«La IA para la predicción del riesgo de cáncer nos brinda la oportunidad de personalizar la atención para cada mujer, algo que no está disponible sistemáticamente», dijo. «Es una herramienta que podría ayudarnos a brindar medicina de precisión personalizada en todo el país».

Referencia: «Comparación de algoritmos de IA de mamografía y un modelo de riesgo clínico para predecir el riesgo de cáncer de mama a 5 años: un estudio observacional» por Vignesh A. Arasu, Laurel A. Habel, Ninah S. Achacoso, Diana SM Buist, Jason B. Cord , Laura J. Esserman, Nola M. Hylton, M. Maria Glymour, John Kornak, Lawrence H. Kushi, Donald A. Lewis, Vincent X. Liu, Caitlin M. Lydon, Diana L. Miglioretti, Daniel A. Navarro, Albert Pu, Li Shen, Weiva Sieh, Hyo-Chun Yoon y Catherine Lee, 6 de junio de 2023, Radiología.
DOI: 10.1148/radiol.222733

Colaboró ​​con la Dra. Arasu Laurel A. Habel, Ph.D., Ninah S. Achacoso, MS, Diana SM Buist, Ph.D., Jason B. Cord, MD, Laura J. Esserman, MD, Nola. M. Hylton, Ph.D., M. Maria Glymour, Sc.D., John Kornak, Ph.D., Lawrence H. Kushi, Sc.D., Don A. Lewis, MS, Vincent X. Liu, MD , Caitlin M. Lydon, MPH, Diana L. Miglioretti, Ph.D., Daniel A. Navarro, MD, Albert Pu, MS, Li Shen, Ph.D., Weiva Sieh, MD, Ph.D., Hyo- Chun Yoon, MD, Ph.D., y Catherine Lee, Ph.D.